论文部分内容阅读
生态系统由于自然或者人为的因素在时间和空间尺度上持续地发生着变化。在整个生态系统中，陆地环境又是经受自然或人为影响最多的部分。因此，对于如何快速和准确地检测地表变化情况越来越受到生态环境管理者和生态领域研究者的关注。之前已有很多研究提出不同的变化检测技术和方法，其中多时相或多光谱的卫星传感器技术具有时间连续性以及覆盖范围广的特点，因此通常被用来定义、映射和监测整个生态系统的变化。 植被指数对植被的生物物理特征更加敏感，同时可以降低由于传感器的接收角度、辐射强度或是植被的土壤背景不同而对结果产生的影响。针对长时间段的土地覆盖利用和变化的研究中，归一化植被指数数据(NDVI)的应用非常广泛，因为其数值与植被对光合有效辐射的吸收性成比例，当NDVI发生波动时可以表明当地的植被状态也发生了变化。因此，本文中利用时间连续性较好的中分辨率MODIS NDVI数据产品进行研究分析。 至今为止，针对多时相遥感数据检测研究区域植被变化特征的方法主要包括统计分析方法和频谱分析等。近十几年来，小波变换的方法开始被应用在分析作物的物候情况以及从植被指数时间序列中发现其变化情况。与其他将光谱转换到频域的方法相比，小波变换的方法更具优势，因为其不需要稳定的数据且同时保留了原时间序列数据的时域和频域信息。尽管有很多研究者尝试将小波变换应用在植被动态变化的检测和监测上，但是利用该方法在时间和空间范围较大的情况下检测植被变化特性的研究还相当有限。因此，本文提出一种基于小波变换原理的适宜于分析植被动态变化的时间序列趋势提取算法，将云量或由于传感器本身的原因等造成的遥感数据质量问题尽量排除。基于小波变换后的系数曲线检测青藏高原地区的植被变化并分析其变化原因。 由于植被的物候特性呈现以年为周期的变化规律，基于多时相遥感影像检测植被变化的异常情况也就是检测植被指数时间序列曲线中波动异常的发生。通过数据降嗓处理后的时间序列曲线反映了植被动态变化的整体波动趋势，利用统计分析的线性回归模型以及结构性异常的检测算法对该数据进行分析，找到异常发生的幅度及时间点。进一步，通过分析变化区域的地理位置和时间点，找到变化发生的原因。利用上述方法检测卧龙国家级自然保护区在2008年汶川大地震前后植被的时空变化特性，发现地震及其次生灾害对保护区内植被所造成的影响，同时卧龙国家级保护区作为中国大熊猫的重要栖息地，利用时间序列变化检测的方法分析大熊猫适宜生存的区域内植被受到地震及其次生灾害的影响情况，并分析灾后该区域内植被的恢复状况，为保护区的生态环境管理及生物多样性保护提供更多的科学依据及支持。 基于植被类型的时间序列变化检测算法在之前也已经开展了许多研究工作，但之前的方法中有些没有考虑观测数据之间的时间依赖性，有些则是基于单像素的分类策略，可能会导致出现孤立的变化样本或者本应是连接的变化区域中间出现漏洞的现象。因此，本章中提出一种基于对象的时间序列变化检测方法，在计算时间序列相似性时考虑数据时间上的关联性，且利用监督分类算法将植被指数时间序列划分到不同植被类型再进行变化检测分析。通过分析2001年至2010年中国西部地区土地覆盖类型的时空变化特征，为该地区生态环境领域的研究提供更多的信息支撑。